第7章 数据挖掘在产品设计中的应用

《第7章 数据挖掘在产品设计中的应用》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、第7章数据挖掘在产品设计中的应用7.3面向产品设计的数据挖掘模型随着企业信息化程度的不断提高，CAD/CAM/CAPP等先进设计、生产方法的运用，同时企业事务电子化的迅速普及，企业积累了大量的设计、生产数据资料；另一方面，企业需要在继承原有设计信息的基础上，设计出具有新功能、创新性的产品。因而如何更加充分利用己有设计数据信息成为企业设计人员关心的主要问题之一。毫无疑问，这些庞大的数据库及其中的海量资料是极其丰富的信息源，传统的信息检索机制和统计分析方法只能获得这些数据的表层信息，不能充分利用丰富的数据资源，远远满足不了人们对数据内部隐含的、有价值的信息和知识获得的需求。如何将这些数据资源的利用

2、提高到更高阶段，达到数据资源利用过程和人的知识创新过程的有机结合。作为一种独立于应用的技术，数据挖掘方法的提出，让人们有能力最终认识数据资料的真正价值，即蕴藏在资料中隐含的、潜在有用的信息和知识，被产品设计的研究人员看作是一个越来越重要的研究课题。产品的研制过程，往往是在一定的信息资源基础上的知识创新。从原有的信息资源中挖掘知识，在一定程度上会给设计人员以启发和借鉴。能否充分合理地利用现有丰富的设计资源，是影响产品研制周期、产品设计质量以及产品创新性的重要因素，也是衡量设计人员水平的重要标准之一。把成熟的设计资源中蕴涵的知识应用到新产品的研制中，不仅可以缩短设计周期、降低成本，而且可以确保产品

3、的设计质量。概念设计是产品设计的先导，又是产品构型设计的前提。在概念设计阶段，设计人员对产品的认识很多都是经验性知识，而这些经验性知识的获得，一方面是设计人员从大量的设计活动中积累的，另一方面是从前人的设计方案中继承来的。而拥有大量的、丰富的经验知识是很少的设计领域专家才具备的，并且设计专家的许多有价值的设计经验很难准确地表达出来。因此，将数据挖掘的研究从理论研究转向应用，从不同侧面、不同应用层次最大限度地利用企业积累的丰富信息资源中蕴涵的知识，是数据挖掘技术在工程实践领域的最终目标。将数据挖掘应用到产品概念设计中具有很强的现实意义，同时也可以加快概念设计的进展和应用。 7.3.1 数据挖掘过

4、程前面已介绍过，数据挖掘过程是在设计者的主动参与下进行的知识发现过程，是在积累了大量的数据后，从中识别出有效的、新颖的、潜在的、最终可以理解并加以有目的运用的知识。因此，数据挖掘的主体是具有一定知识背景，知识结构和知识创新能力的数据集合。数据挖掘的结果是由设计者经过思考、选择和决策后，通过对信息（知识）进行关联和聚合，形成新的信息（知识），而不是通过简单继承或信息过滤得到的信息堆积。在产品概念设计过程中需要建立基于约束的，面向知识应用的数据挖掘模型，也就是用户根据功能需求和结构要求选择挖掘算法，选择预测实体和训练数据，建立适当的关系数据挖掘模型或联机分析处理（OLAP）数据挖掘模型，OLAP数

5、据挖掘模型可以执行如概念描述、关联、分类、聚类、时间序列分析等多种数据挖掘任务。如图7-5所示为面向知识应用的OLAP数据挖掘模型结构。图7-5 面向知识运用的OLAP数据挖掘模型结构由于概念设计的结果确定了产品的基本特征和主要结构，因此概念设计过程中需要数据挖掘工具的辅助推理与决策。在图7-5所示的数据挖掘模型结构中，数据抽取、过滤和集成是根据用户的数据挖掘请求，负责从相应的数据源中清理和提取的相关数据，也就是相关数据准备和预处理的过程。元知识库中存有领域知识，用于指导数据挖掘或评估结果模式的兴趣度。元数据库也称数据字典，用于存储元数据（元数据的相关概念可参考第1章）。这里，我们建立的元数据

6、主要是描述产品设计原理和方法的基本专业术语及其定义，以及与数据仓库要求格式之间的转换规则，其中部分信息可从领域专家处获取。数据挖掘引擎是数据挖掘模型的基本部分，它由一组功能模块组成，用于特征化、关联、分类和聚类分析等。产品概念设计中的数据挖掘过程可以分为以下五个步骤：（1）相关数据的准备。（2）数据预处理。（3）建立挖掘模型（MiningModels，MM）。（4）用测试集对挖掘模型评估、预测。（5）挖掘模型应用。整个数据挖掘过程是交互的，与领域相关的，需要设计师特别是具有设计知识、经验的专家参与，它并不是一个全自动化过程。1．相关数据的准备通过对设计方案的知识表示和用粗糙集表示设计知识库中的

7、基本概念，形成了数据挖掘的数据对象，包括以下三个方面：（1）训练数据集。在构建数据挖掘的初始模型时，要用到训练数据。该数据集也许会有一些偏差或额外的特性，但是它如实反映了用来进行数据挖掘的样本。（2）测试数据集。在对模型进行训练的过程中，训练数据集逐渐被矫正，并随之变成了测试数据集。测试数据的修正是一个反复的过程，直到对测试数据集所建立的模型能准确地反映真实的数据，令用户满意为止。（3）评估数据集